An jedem markierten Punkt setzt TutorMoments das Gespräch mit fünf Zügen fort: Das Modell übernimmt die Tutorrolle, ein Modell simuliert den Schüler. Verglichen werden ein einfacher Tutor-Prompt und eine ausführliche Anweisung, die zwischen Hilfe, Überhilfe und produktiver Anforderung unterscheidet. Bewertet wurden sieben Modelle an 520 Momenten, jeweils mit beiden Prompts.
Der ausführliche Prompt hebt die passenden Unterstützungswerte stark an. Bei GPT-5.5 steigt der Wert für angemessenes Fordern von 0,046 auf 0,531; bei Claude Opus 4.8 erreicht er 0,831. Die menschlichen Tutoren dienen nur als natürlicher Vergleichspunkt, nicht als pädagogischer Goldstandard.
Die Lehrkräfte markierten bewusst verpasste Gelegenheiten, und der simulierte Schüler ist laut Bericht ein Platzhalter. Die Bewertung läuft über eine Modell-Pipeline; der Datensatz und der Code sind offen, eine unabhängige Reproduktion gibt es bislang nicht.